期货的时间序列怎么算

① 几种典型的时间序列及序列的运算

一个连续时间信号，只要满足采样定理，就可以用离散采样完全代表这个连续时间信号。采样可以通过人工来完成，例如一条几何曲线;也可以本身就是离散信号，例如一组实验数据;还可以通过前面提到过的采样器来完成。一般采样是等时间间隔的，因此采样以后，时间间隔Δt就没有什么重要意义了。采样数据可以存放在计算机的存储器中，随时取用处理，只有在需要将数字信号还原为连续信号时，在数-模转换器中，才有必要重新将它们排列在等时间的间隔上。因此，对于处理离散时间信号来说，采样间隔Δt并没有什么重要意义，可以用时间序列x(n)表示。其中n=t/Δt称为时间信号。用图4-4-1表示。

在数学上，则将时间序列表示成

物探数字信号分析与处理技术

x(n)中的n=0，±1，±2，…是整数，表示所在时间序号的采样值。当n<0时，x(n)=0，表示一个因果时间序列。

两个时间序列的和是两个时间序列在同一采样序号的采样值之和组成的序列(图4-4-1，图4-4-2)，例如

图4-4-1 序列表示法(1)

图4-4-2 序列表示法(2)

物探数字信号分析与处理技术

两个时间序列的积，则是两个时间序列在同一采样序号的采样值之积组成的序列，例如

物探数字信号分析与处理技术

一个时间序列的延时，则是这个时间序列的序号向后顺延的结果组成的序列，例如

物探数字信号分析与处理技术

表示时间序列w(n)=x(n-m)是原时间序列x(n)的序号向后移m位所组成的新序列。如图4-4-3(b)所示。

图4-4-3 序列移位

反之，一个时间序列的超前，则是这个时间序号向前顺延的结果所组成的序列，见图4-4-3(c)。

v(n)=x(n+m)={x(0)，x(1)，x(2)，…x(m-1)，x(m)，x(m+1)，…}

1.几种常用的典型时间序列

(1)单位脉冲序列

物探数字信号分析与处理技术

见图4-4-4需要说明的是，它与连续信号δ(t)的定义不同:在连续信号中，δ(t)是一种广义函数，它是面积为1的方波当其宽度为零时的一种极限，这时其幅值在t等于零时为无穷;在t≠0时为零，但极限的面积等于1。在采样信号中，因为是理想采样，实际采样总是有一定宽度τ的，所以在理想采样中的脉冲面积实际上是1，所以有式(4-4-1)。它表示一个采样脉冲的面积，是一个有限值。

图4-4-4 δ(n)序列

图4-4-5 u(n)序列

(2)单位阶跃序列

物探数字信号分析与处理技术

见图4-4-5。显然，u(n)是一系列δ(n)之和，即

物探数字信号分析与处理技术

反之，δ(n)也可以用u(n)表示出来:

物探数字信号分析与处理技术

(3)矩形序列

物探数字信号分析与处理技术

见图4-4-6，显然，矩形序列

物探数字信号分析与处理技术

(4)指数序列

物探数字信号分析与处理技术

见图4-4-7，式(4-4-7)亦可写成

物探数字信号分析与处理技术

图4-4-6 R(n)序列

图4-4-7 aⁿu(n)序列

当|a≥1|时是发散的，|a|<1时是收敛的，当a为负值时是摆动的，如图4-4-7所示。

(5)正弦序列

物探数字信号分析与处理技术

见图4-4-8。其中ω₀为数字频率。因为正弦序列可以认为是正弦信号的采样，即对连

续正弦信号sinΩ₀t的采样，采样后的信号记为sinΩ₀nΔt，于是有

物探数字信号分析与处理技术

其中Δt是采样间隔，它是采样频率f_n的倒数，即

物探数字信号分析与处理技术

比较等式两端得

物探数字信号分析与处理技术

它是模拟频率用采样频率归一化的结果，称为数字频率。与正弦序列相对应，也可以有余弦序列

物探数字信号分析与处理技术

在连续信号中，正弦或余弦函数总是周期函数，其周期为

物探数字信号分析与处理技术

图4-4-8 sinnω₀序列

但在离散时间序列中，正弦或余弦序列并不一定是周期序列:当序列的频率ω₀为π的倍数时，这个序列是周期的;当序列的频率ω₀不为π的倍数时，则不是周期的。例如，当正弦序列的频率ω₀等于π/4时，根据周期函数的性质，应有

物探数字信号分析与处理技术

于是可以得出，这个正弦序列的周期为N=8。如果正弦序列频率ω₀不是π的倍数，例如ω₀等于0.5，则有

物探数字信号分析与处理技术

这时N应等于4π，是一个无理数，而一个有理整数不可能等于一个无理数，所以它是非周期序列。

(6)复指数序列

一系列复数组成的序列，称为复序列。复序列的每一个序列值都是一个复数，因而具有实部与虚部两部分。记为

物探数字信号分析与处理技术

复序列也可用极坐标表示法，即

物探数字信号分析与处理技术

最常用的一种复指数序列是

物探数字信号分析与处理技术

它是用极坐标表示复数序列时模值等于1，幅角arg［x(n)］=ω₀n的特例。该序列的实部和虚部分别为

物探数字信号分析与处理技术

最后应当指出，任何一个时间序列都可以用单位脉冲序列来表示。因为任一时间序列可表示成

物探数字信号分析与处理技术

也就是说，任一时间序列都可以看成是单位脉冲序列的线性组合，这种表达方法对分析线性移不变系统是很有用的。

② 写大豆期货价格的时间序列分析，想从期货与现货这个角度入手，但是不知道怎么提取数据，

首先你要去收集数据啊，看看vip文献吧
我经常帮别人做类似的数据分析的

③ 期货的时间序列问题，求助

期货的时间一般四个月一个周期，1、5、9个别有10,12月这样的主力合约，可以通过仓位转移来确定，文华财经上也有主力合约的窗口

④ 时间序列怎么以基期进行折算

这里找找，可能有你要的。
http://www.mof.gov.cn/guojianongcunzonghekaifa/

⑤ 如何计算时间序列移动平均标准差

增加你delay的个数和神经元的个数试一下。

⑥ 股票时间序列相关系数怎么算

月收益率要你自己去算。

⑦ 什么叫做时间序列

时间序列法是一种定量预测方法，亦称简单外延方法。

在统计学中作为一种常用的预测手段被广泛应用。时间序列通常有以下三种方法：
1.方法一是把一个时间序列的数值变动，分解为几个组成部分，通常分为：
(1)倾向变动，亦称长期趋势变动T；
(2)循环变动，亦称周期变动C；
(3)季节变动，即每年有规则地反复进行变动S；
(4)不规则变动，亦称随机变动I等。然后再把这四个组成部分综合在一起，得出预测结果。
2.方法二是把预测对象、预测目标和对预测的影响因素都看成为具有时序的，为时间的函数，而时间序列法就是研究预测对象自身变化过程及发展趋势。
3.方法三是根据预测对象与影响因素之间的因果关系及其影响程度来推算未来。与目标的相关因素很多，只能选择那些因果关系较强的为预测影响的因素。
时间序列分析在第二次世界大战前应用于经济预测。二次大战中和战后，在军事科学、空间科学、气象预报和工业自动化等部门的应用更加广泛。

⑧ 时间序列分析的具体算法

用随机过程理论和数理统计学方法，研究随机数据序列所遵从的统计规律，以用于解决实际问题。由于在多数问题中，随机数据是依时间先后排成序列的，故称为时间序列。它包括一般统计分析（如自相关分析、谱分析等），统计模型的建立与推断，以及关于随机序列的最优预测、控制和滤波等内容。经典的统计分析都假定数据序列具有独立性，而时间序列分析则着重研究数据序列的相互依赖关系。后者实际上是对离散指标的随机过程的统计分析，所以又可看作是随机过程统计的一个组成部分。例如,用x(t)表示某地区第t个月的降雨量，{x(t)，t=1，2，…}是一时间序列。对t=1，2，…，T，记录到逐月的降雨量数据x(1)，x(2)，…，x(T)，称为长度为T的样本序列。依此即可使用时间序列分析方法，对未来各月的雨量x(T+l)(l=1,2,…)进行预报。时间序列分析在第二次世界大战前就已应用于经济预测。二次大战中和战后，在军事科学、空间科学和工业自动化等部门的应用更加广泛。
就数学方法而言，平稳随机序列（见平稳过程）的统计分析，在理论上的发展比较成熟，从而构成时间序列分析的基础。
频域分析 一个时间序列可看成各种周期扰动的叠加，频域分析就是确定各周期的振动能量的分配，这种分配称为“谱”，或“功率谱”。因此频域分析又称谱分析。谱分析中的一个重要是统计量,称为序列的周期图。当序列含有确定性的周期分量时，通过I(ω)的极大值点寻找这些分量的周期，是谱分析的重要内容之一。在按月记录的降雨量序列中，序列x(t)就可视为含有以12为周期的确定分量，所以序列x(t)可以表示为 ,它的周期图I(ω)处有明显的极大值。
当平稳序列的谱分布函数F（λ）具有谱密度ƒ(λ)（即功率谱）时，可用(2π)-1I(λ)去估计ƒ(λ)，它是ƒ(λ)的渐近无偏估计。如欲求ƒ(λ)的相合估计（见点估计），可用I(ω)的适当的平滑值去估计ƒ(λ),常用的方法为谱窗估计即取ƒ(λ)的估计弮(λ)为 ,式中wt(ω)称为谱窗函数。谱窗估计是实际应用中的重要方法之一。谱分布F(λ)本身的一种相合估计可由I(ω)的积分直接获得，即 。研究以上各种估计量的统计性质，改进估计方法，是谱分析的重要内容。时域分析 它的目的在于确定序列在不同时刻取值的相互依赖关系,或者说,确定序列的相关结构。这种结构是用序列的自相关函0,1,…)来描述的,为序列的自协方差函数值,m=Ex(t)是平稳序列的均值。常常采用下列诸式给出m，γ(k),ρ(k)的估计： ,通(k)了解序列的相关结构,称为自相关分析。研究它们的强、弱相合性及其渐近分布等问题，是相关分析中的基本问题。模型分析 20世纪70年代以来，应用最广泛的时间序列模型是平稳自回归-滑动平均模型 (简称ARMA模型)。其形状为： 式中ε(t)是均值为零、方差为σ2的独立同分布的随机序列;和σ2为模型的参数,它们满足： 对一切|z|≤1的复数z成立。p和q是模型的阶数，为非负整数。特别当q=0时，上述模型称为自回归模型；当p=0时, 称为滑动平均模型。根据x(t)的样本值估计这些参数和阶数，就是对这种模型的统计分析的内容。对于满足ARMA模型的平稳序列，其线性最优预测与控制等问题都有较简捷的解决方法,尤其是自回归模型,使用更为方便。G.U.尤尔在1925～1930年间就提出了平稳自回归的概念。1943年,Η.Β.曼和Α.瓦尔德发表了关于这种模型的统计方法及其渐近性质的一些理论结果。一般ARMA模型的统计分析研究，则是20世纪60年代后才发展起来的。特别是关于p，q值的估计及其渐近理论，出现得更晚些。除ARMA模型之外,还有其他的模型分析的研究,其中以线性模型的研究较为成熟，而且都与ARMA模型分析有密切关系。回归分析 如果时间序列x(t)可表示为确定性分量φ(t)与随机性分量ω(t)之和，根据样本值x(1)，x(2)，…,x(T)来估计φ(t)及分析ω(t)的统计规律，属于时间序列分析中的回归分析问题。它与经典回归分析不同的地方是，ω(t)一般不是独立同分布的，因而在此必须涉及较多的随机过程知识。当φ(t)为有限个已知函数的未知线性组合时，即 ，式中ω(t)是均值为零的平稳序列,α1,α2,…,αs是未知参数,φ1(t),φ2(t),…,φs(t)是已知的函数,上式称为线性回归模型，它的统计分析已被研究得比较深入。前面叙述的降雨量一例，便可用此类模型描述。回归分析的内容包括:当ω(t)的统计规律已知时，对参数α1,α2,…,αs进行估计,预测x(T+l)之值；当ω(t)的统计规律未知时，既要估计上述参数，又要对ω(t)进行统计分析，如谱分析、模型分析等。在这些内容中,一个重要的课题是:在相当广泛的情况下，证明 α1,α2,…,αs的最小二乘估计，与其线性最小方差无偏估计一样，具有相合性和渐近正态分布性质。最小二乘估计姙j(1≤j≤s)不涉及ω(t)的统计相关结构，是由数据x(1)，x(2)，…，x(T)直接算出，由此还可得(t)进行时间序列分析中的各种统计分析，以代替对ω(t)的分析。在理论上也已证明，在适当的条件下，这样的替代具有满意的渐近性质。由于ω(t)的真值不能直接量测，这些理论结果显然有重要的实际意义。这方面的研究仍在不断发展。
时间序列分析中的最优预测、控制与滤波等方面的内容见平稳过程条。近年来多维时间序列分析的研究有所进展，并应用到工业生产自动化及经济分析中。此外非线性模型统计分析及非参数统计分析等方面也逐渐引起人们的注意。

⑨ 如何确定股指期货时间序列对股票指数时间序列影响的滞后性

应该要纠正你的观念，股指期货和期权，对应股票指数有的不是滞后性而是前瞻性。你要想股指期货是哪些资金在运作的就应该明白。好吧我直接说吧，在运作股指期货的基本都是大资金以及技术高手。多以基金和游资大鳄为主。他们的消息嗅觉是最灵敏的，往往股票市场一片平静，他们已经闻到了不一样的味道，然后在高杠杆的股指期货市场做出提前反应，从而获取暴利。目前国内的股指期货被限制开仓，参考意义已经没有之前的大了，你要看股指期货对A股指数的波动时间关系，建议你去看新加坡的A50期指，买卖的标的就是上证A股指数。国外和国内的大资金都在那里操作。

⑩ 期货时间序列数据获取

第一列不就是合约代码么，根据这个区分。